Подсказки против правил: аудит и управление естественностью речи в симуляторах голосовых пользователей

Работа проверяет, можно ли одной текстовой подсказкой заставить симулятор голосового пользователя правдоподобно запинаться, повторяться, перебивать и давать короткую обратную связь. Ответ в основном отрицательный: модели понимают направление изменения, но быстро выходят на плато, распределяют маркеры неестественно и плохо выдерживают заданную интенсивность. Простые явные правила дают более широкий и монотонный диапазон поведения.

Метод. gpt-4o-mini, gpt-5 и Gemini 3 Pro получают градуированные указания вроде «иногда», «в половине случаев» и «в большинстве случаев». Затем те же явления вводятся детерминированными правилами с параметром интенсивности α. Для перебивок и коротких подтверждений авторы также проверяют голосовую систему τ-Voice, которая постоянно опрашивает отдельный классификатор.

Результаты. У gpt-4o-mini частота слов-паразитов растёт лишь с 19,29 до 34,72 на тысячу слов между мягким и максимальным указанием, причём 63–67% оказываются в начале реплики. Правила дают почти линейный диапазон от 28,41 при α=0,25 до 83,78 при α=1,0, а начальная позиция занимает только 11–16%. Для повторов подсказка достигает лишь 2,96 на тысячу слов, тогда как правила — 47,06. τ-Voice создаёт 0,633 перебивания на ход, но короткую обратную связь выдаёт лишь в 1,02% проверенных возможностей.

Ограничения. Изучены три модели, один каскад голосового агента и только 20 сессий в части эксперимента с перебиваниями. Набор явлений ограничен заранее формализуемыми шаблонами; правила могут выглядеть механически вне этих шаблонов. Нативные мультимодальные модели реального времени не проверялись.

Фишка из статьи. Плато подсказок проявляется не только в количестве, но и в позиции маркеров: модель вставляет большинство слов-паразитов в безопасное начало фразы. Это создаёт видимость естественности по счётчику, но не воспроизводит реальное распределение колебаний внутри высказывания.

Как это читать: словесная шкала интенсивности не превращается в надёжный численный регулятор. Для воспроизводимых испытаний голосовых агентов лучше отделять содержательную генерацию от контролируемого внесения речевых явлений.